现在我国尤其是北方城市，工业发达，废弃排放严重，这使得雾霾越来越厉害，让能见度极低。这严重影响了我们的交通系统，导航系统，卫星定位系统等，给人民出行，工作带来极大的不便利。目前市场上高清拍摄设备虽然可以让成像清晰点，但是造价高昂。如果有一套软件处理系统，可以实时地处理含雾的图像，让成像去雾化，让图像变得清晰，将会很受欢迎。 该课题为基于MATLAB的图像去雾系统，采用局部直方图，全局直方图，retinex三种算法进行图像去雾。为了让界面更加美观，可以增加GUI人机交互界面，在GUI上显示去雾前后对比图，方法选择按钮，提示信息框，以及评价参数如灰度直方图，峰值信噪比P

一个图像去雾的小代码，需要的同学可以看一下，去雾精度不是很高，但是可以可以用来研究，不是暗通道处理发原理的一种算法了。

retinex 图像去雾代码 运行速度很快 希望可以帮到大家

提出了一种基于深度学习的单幅图像去雾算法。利用卷积神经网络,通过学习雾天图像与清晰图像的YUV(Y代表的是亮度,UV代表的是彩度)各个通道之间的映射关系实现去雾。网络结构由两个相同的特征模块组成,主要包括多尺度卷积、卷积和跳跃连接结构。实验结果表明,无论是针对合成雾天图像数据集还是针对自然雾天图像数据集,所提去雾算法恢复的图像皆具有较高的清晰度和对比度,在主观评价和客观评价上均优于其他对比算法。

matlab版何恺明老师暗通道去雾法源码

微光增强与图像去雾MATLAB处理, low light enhancement and dehazing

（1）对传统图像去雾领域的一些典型去雾算法进行深入分析，并与基于深度学习的图像去雾算法进行性能对比分析。本文在经典图像去雾数据集 RESIDE 和 O-HAZE 上进行实验，并采用无参考图像质量评估指标以及运行时间来衡量多种典型图像去雾算法的去雾效果。实验结果表明基于深度学习的去雾算法不仅具有不错的去雾效果，而且在单幅图像上的去雾效率更高。 （2）针对目前去雾网络模型训练参数过多，影响图像去雾效率的问题，本文提出一种新的基于轻量级网络的图像快速去雾模型 FAOD-Net 用于单幅图像去雾。 FAOD-Net 模型基于轻量化的体系结构，该体系结构使用深度可分离卷积来构建轻量级卷积神经网络。此外，本文在 FAOD-Net 模型中添加了金字塔场景解析网络来聚合图像不同区域的上下文信息，从而提高网络模型提取全局信息的能力。本文使用 RESIDE 训练集来训练 FAOD-Net模型，并在RESIDE 测试集上进行了广泛的实验，使用全参考和无参考图像质量评估指标来衡量去雾效果。实验结果表明 FAOD-Net 模型在去雾效果和速度上均具有令人满意的结果。 （3）针对目前图像去雾算法易导致去雾后的图像出现颜色失真的问题，本文提出一种新的基于颜色特征提取卷积网络的图像去雾模型 CIASM-Net。CIASM-Net 模型包括颜色特征提取卷积网络和深度去雾卷积网络。其中，颜色特征提取卷积网络用于提取有雾图像 RGB 颜色空间的特征，深度去雾卷积网络改进了逆大气散射模型卷积网络 IASM-Net，并使用多尺度卷积层来估计透射率图。此外，本文在 CIASM-Net 模型中添加了金字塔场景解析网络来提取全局特征。本文使用经典的 RESIDE 训练集来训练 CIASM-Net 模型，在 RESIDE 测试集上的实验结果表明 CIASM-Net 模型具有令人满意的去雾效果。

MATLAB图像去雾处理； 暗通道算法去雾

MATLAB暗通道图像去雾； 可进我主页查看程序运行效果视频； 1、根据暗通道计算透射率； 2、计算大气光值； 3、选择适合的亮度补偿值；

FADE-图像去雾质量评价源码Referenceless Prediction of Perceptual Fog Density and Perceptual Image论文源码